人工蜂群算法是近年來較為流行的一種全局優(yōu)化算法,通過模擬蜂群的覓食行為來實(shí)現(xiàn)尋優(yōu),具有算法結(jié)構(gòu)簡單、性能優(yōu)良等特點(diǎn),受到了眾多研究人員的關(guān)注和應(yīng)用。然而,類似于其他進(jìn)化算法,人工蜂群算法在求解復(fù)雜優(yōu)化問題時(shí)同樣面臨了性能不足的缺點(diǎn),主要表現(xiàn)為算法收斂速度慢、解的精度不高和算法求解時(shí)間較長。為此,本文研究如何利用種群中的精英個(gè)體來提高算法性能,提出了一種基于精英組指導(dǎo)的改進(jìn)人工蜂群算法,并將其進(jìn)行GPU并行加速,最后將該算法應(yīng)用于求解多閾值的灰度圖像分割問題,主要工作如下:（1）在經(jīng)典的人工蜂群算法中,個(gè)體通過解搜索方程生成后代,但由于該策略存在勘探能力強(qiáng)而開采能力弱的不足,使得算法性能受到了局限。為此,本文從利用精英個(gè)體的思路出發(fā),提出了一種基于精英組指導(dǎo)的改進(jìn)人工蜂群算法（ENABC）,從種群中選擇若干較好個(gè)體構(gòu)成精英組,再基于該精英組設(shè)計(jì)了兩種新的解搜索方程分別用于雇傭蜂階段和觀察蜂階段,試圖平衡算法的勘探和開采能力。進(jìn)一步,基于精英組提出了一種改進(jìn)的鄰域搜索操作,在精英個(gè)體附近進(jìn)行細(xì)粒度搜索,以期找到更好解,加快算法的收斂速度。為驗(yàn)證ENABC算法的有效性,在50個(gè)測試函數(shù)上與8... 

【文章來源】：江西師范大學(xué)江西省

【文章頁數(shù)】：75 頁

【學(xué)位級別】：碩士

【部分圖文】：

0D下9種ABC算法在基準(zhǔn)測試函數(shù)的收斂曲線

碩士學(xué)位論文30算。因此GPU可以通過計(jì)算隱藏內(nèi)存訪問延遲，而不是通過大型數(shù)據(jù)緩存和流控制來避免內(nèi)存訪問延遲。例如當(dāng)一個(gè)線程所需要的數(shù)據(jù)需要等待時(shí)，ALU將掛起該線程，并轉(zhuǎn)向執(zhí)行其它可獲取數(shù)據(jù)的線程。圖3.1GPU與CPU的運(yùn)算速度對比(單位：GFLPs/s)圖3.2GPU與CPU的內(nèi)存帶寬對比(單位：GB/s)圖3.3CPU與GPU架構(gòu)對比

碩士學(xué)位論文30算。因此GPU可以通過計(jì)算隱藏內(nèi)存訪問延遲，而不是通過大型數(shù)據(jù)緩存和流控制來避免內(nèi)存訪問延遲。例如當(dāng)一個(gè)線程所需要的數(shù)據(jù)需要等待時(shí)，ALU將掛起該線程，并轉(zhuǎn)向執(zhí)行其它可獲取數(shù)據(jù)的線程。圖3.1GPU與CPU的運(yùn)算速度對比(單位：GFLPs/s)圖3.2GPU與CPU的內(nèi)存帶寬對比(單位：GB/s)圖3.3CPU與GPU架構(gòu)對比

【參考文獻(xiàn)】：
期刊論文
[1]基于全局無偏搜索策略的精英人工蜂群算法[J]. 杜振鑫,劉廣鐘,韓德志,余學(xué)山,賈建鑫.  電子學(xué)報(bào). 2018(02)
[2]基于正交實(shí)驗(yàn)設(shè)計(jì)的人工蜂群算法[J]. 周新宇,吳志健,王明文.  軟件學(xué)報(bào). 2015(09)
[3]基于人工蜂群技術(shù)的海雜波參數(shù)優(yōu)化方法[J]. 賈宗圣,司錫才,王桐.  中南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2012(09)

博士論文
[1]基于群智優(yōu)化的多閾值圖像分割算法研究[D]. 李林國.南京郵電大學(xué) 2017
[2]面向圖像分割的智能算法研究[D]. 趙曉麗.上海大學(xué) 2018

碩士論文
[1]基于GPU的群智能算法研究與實(shí)現(xiàn)[D]. 韓文成.西安理工大學(xué) 2019
[2]基于智能優(yōu)化算法的多閾值圖像分割技術(shù)及其并行加速[D]. 孫研.南京理工大學(xué) 2014



本文編號：3491426